Au cours des deux dernières décennies, la chaîne d'approvisionnement est devenue plus complexe. Si les progrès technologiques ont permis aux entreprises de saisir cette complexité dans des entrepôts de données toujours plus nombreux, les entreprises n'ont pas suivi le rythme de l'analyse et de la compréhension de ces données. Cette spécialisation utilise des activités pratiques pour montrer comment les techniques de science des données peuvent transformer les données brutes en décideurs pour une chaîne d'approvisionnement plus agile. Les techniques de base telles que la prévision de la demande, la gestion des stocks avec la variabilité de la demande et l'utilisation du modèle newsvendor sont couvertes, en plus de techniques plus avancées telles que l'optimisation de la capacité et des ressources ainsi que l'atténuation des risques avec la simulation de Monte Carlo. À la fin de cette spécialisation, vous serez en mesure de :
Décrire comment la planification de la demande, la planification de l'offre et la prévision sous contrainte sont associées l'une à l'autre.
Utiliser Excel pour analyser les données historiques afin de quantifier les besoins futurs.
Analyser les données historiques pour déterminer les niveaux de stock dans des situations de demande stable et incertaine à l'aide d'Excel.
Gérer les stocks dans un environnement incertain.
Quantifier les besoins en stocks pour des articles à période unique à l'aide du modèle du nouveau fournisseur.
Identifier les composantes de l'optimisation de la capacité, de l'optimisation des ressources et de la simulation de Monte Carlo.
Définir et résoudre des problèmes d'optimisation dans Excel.
Construire un instantané de la demande et des stocks et exécuter une simulation de Monte Carlo pour résoudre une chaîne d'approvisionnement plus agile.
Projet d'apprentissage appliqué
Tout au long de la spécialisation, les apprenants travaillent avec des données de chaîne d'approvisionnement du monde réel pour analyser divers scénarios de chaîne d'approvisionnement. Pour conclure, les apprenants appliquent les concepts des trois cours afin de mettre en œuvre les compétences acquises en science des données pour améliorer les marges d'une chaîne d'approvisionnement.
